Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review
KU Leuven University of Antwerp - imec（库勒芬大学安特卫普大学 - imec）；University of Antwerp - imec, IDLab（安特卫普大学 - imec, IDLab）；KU Leuven（库勒芬大学）；University of Southampton（南安普顿大学）；University of Antwerp - imec KU Leuven（安特卫普大学 - imec 库勒芬大学）
本文综述了持续图学习在反洗钱中的应用，系统评估了基于回放、正则化和架构的GNN策略，并通过实验证明其能提升模型在类别不平衡和欺诈模式演变下的适应性与鲁棒性，同时指出未来研究方向。
2025-03-31 cs.LG
Federated Layer-Wise Exchange for Cross-Client Money Laundering Pattern Detection
Delft University of Technology, Department of Software Technology（代尔夫特理工大学软件技术系）
本文提出一种分层嵌入交换框架，通过客户端在前向传递中同步中间节点表示，弥补分布式图中子图模式识别的表示等价缺口，实验表明嵌入交换与联邦参数聚合互补而非可互换。
2026-10-14 cs.LG
GRANDE: a neural model over directed multigraphs with application to anti-money laundering
Ant Group（蚂蚁集团）
近年来，图表示学习技术在金融风险管理领域的应用引起了广泛的关注。然而，使用图神经模型直接建模交易网络仍然具有挑战性：首先，交易网络本质上是有向多重图，这不能用大多数现有的图神经网络（GNN）来正确处理。其次，FRM场景（如反洗钱（AML））中的一个关键问题是识别风险交易，并且最自然地被转换为具有丰富边缘级别特征的边缘分类问题，这些特征没有被遵循以节点为中心的消息传递协议的流行GNN设计充分利用。在本文中，我们提出了一个系统的研究设计方面的神经模型在有向多重图，并开发了一种新的GNN协议，克服了上述挑战，通过有效地结合方向信息，以及提出了一个增强，目标边缘相关的任务，使用一种新的消息传递方案的边缘到节点的对偶图的扩展。一个具体的GNN架构，称为GRANDE派生使用所提出的协议，有几个进一步的改进和推广的时间动态图。我们将GRANDE模型应用于现实世界的反洗钱任务和公共数据集。实验评估表明，拟议的GRANDE架构的优越性，最近的国家的最先进的模型，动态图建模和有向图建模。
2023-02-04 cs.LG
Pattern Analysis of Money Flow in the Bitcoin Blockchain
Institut Polytechnique de Paris（巴黎理工学院）；Univ de Lyon（里昂大学）；CNRS（法国国家科学研究中心）
比特币是第一种也是价值最高的加密货币，它将交易存储在一个名为区块链的公开分布式账本中。了解比特币参与者的活动和行为是一个至关重要的研究课题，因为他们在交易网络中是匿名的。在本文中，我们提出了一种基于污点分析的方法来提取污点流-动态网络表示从初始来源转移到其他参与者直到解散的比特币序列。然后，我们应用图嵌入方法来刻画污点流。我们评估了我们的嵌入方法与来自顶级矿池的污点流，并表明它可以对矿池进行高精度的分类。我们还发现，同一时期的污点流显示出高度的相似性。我们的工作证明，追踪资金流可以是一种有前途的方法，分类源演员和表征不同的资金流模式
2022-07-15 cs.LG cs.SI q-fin.ST
Network Analytics for Anti-Money Laundering -- A Systematic Literature Review and Experimental Evaluation
KU Leuven University of Antwerp - imec（库勒芬大学安特卫普大学-imec）；KU Leuven University of Southampton（库勒芬大学南安普顿大学）；University of Antwerp - imec（安特卫普大学-imec）；KU Leuven（库勒芬大学）
本文通过系统综述97篇文献并实验比较多种方法，发现网络分析可提升反洗钱预测能力，但应用GNN需谨慎，且合成数据可能过于乐观。
2025-07-22 cs.LG cs.SI
FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering
Dept. of Multidisciplinary Engineering, Texas A&M University（多学科工程系，德克萨斯A&M大学）；Dept. of Information Systems, King Abdulaziz University（信息系统系，国王阿卜杜勒阿齐兹大学）；Dept. of Computer Science & Cybersecurity, Metro State University（计算机科学与网络安全系，梅特罗州立大学）；Dept. of Engineering Technology & Industrial Distribution, Texas A&M University（工程技术与工业分布系，德克萨斯A&M大学）
FedGraph-VASP通过后量子安全的边界嵌入交换实现隐私保护的联邦图学习，有效提升跨机构反洗钱检测性能。
2026-01-25 cs.CR cs.LG cs.SI
LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks
Supply Chain MultiTech R\&D Centre, Level 11, Cyberport 2, 100 Cyberport Road, Hong Kong 2 Department of Computer Science；Engineering, The Hong Kong University of Science
本文提出LineMVGNN，通过结合线图视角和多视角图神经网络，提升交易图中可疑交易检测的准确性与可扩展性。
2026-03-24 cs.AI cs.LG q-fin.CP
Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms
IDSIA；UBS Switzerland AG and its affiliates（UBS瑞士集团及其附属公司）
研究利用反事实方法，通过合成数据集构建账户国家及平均行为等特征，提升多种机器学习模型预测性能，并通过反事实路径特定效应分析评估潜在不公平性，揭示预测准确性与公平性的权衡。
2026-07-07 cs.LG
SALT-GNN: Handling Dense Neighborhoods in Anti-Money Laundering Graphs via Statistics-Aware Attention
研究反洗钱图中GNN处理密集邻域问题，提出SALT-GNN轻量级架构，在消息传递层融合度感知统计聚合与注意力。实验表明其在减少参数同时提升密集上下文F1分数，增益与注意力风格无关。
2026-07-14 cs.AI cs.LG
LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering
Feedzai（Feedzai公司）
反洗钱（AML）法规要求金融机构根据一套规则部署AML系统，当触发时，这些规则构成了由人类分析师评估的可疑警报的基础。审查这些案件是一项繁琐而复杂的任务，需要分析师在庞大的金融互动网络中导航，以验证可疑的流动。此外，这些系统具有非常高的假阳性率（估计超过95%）。标签的稀缺性阻碍了基于监督学习的替代系统的使用，降低了它们在现实世界应用中的适用性。在这项工作中，我们提出了LaundroGraph，一种新的自监督图表示学习方法，将银行客户和金融交易编码成有意义的表示。这些表示用于提供见解，以协助AML审查流程，例如识别特定客户的异常移动。LaundroGraph将金融交互的底层网络表示为客户交易二分图，并在完全自监督的链接预测任务上训练图神经网络。我们的经验表明，我们的方法优于其他强基线的自我监督链接预测使用真实世界的数据集，提高最佳的非图形基线的AUC的$12$ p.p.。我们的目标是通过在审查时向分析师提供这些人工智能支持的见解来提高审查流程的效率。据我们所知，这是AML检测背景下的第一个完全自我监督的系统。
2022-10-25 cs.AI cs.LG
A Review on Cryptocurrency Transaction Methods for Money Laundering
本文综述了基于加密货币的洗钱交易方法，按洗钱生命周期各阶段对方法进行分类分析，为未来制定反洗钱策略提供基础。
2023-11-28 cs.CR
Demystifying Bitcoin Address Behavior via Graph Neural Networks
Zhejiang University（浙江大学）；UESTC（电子科技大学）
比特币是由点对点区块链网络提供支持的分散式加密货币之一。在比特币网络中交易的各方不需要披露任何个人信息。然而，这种匿名性在一定程度上会导致潜在的恶意交易。事实上，比特币网络中的洗钱、暗网交易、赌博等各种非法活动现在已经不是什么新鲜事了。虽然已经开发了大量工作来识别恶意比特币交易，但现有工具在很大程度上忽视了比特币地址的行为分析和分类。在本文中，我们提出了BAClassifier，这是一个可以根据比特币地址的行为自动对其进行分类的工具。从技术上讲，我们提出了以下三个关键设计。首先，我们考虑将比特币地址的交易转换为地址图结构，其中我们引入了图节点压缩技术和图结构增强方法来表征统一的图表示。此外，我们利用图特征网络来学习每个地址的图表示并生成图嵌入。最后，我们将一个地址的所有图嵌入聚合到地址级表示中，并进行分类模型，以给出地址行为分类。作为一个附带的贡献，我们构建并发布了一个大规模的注释数据集，其中包括超过200万个真实世界的比特币地址，并涉及4种类型的地址行为。实验结果表明，我们提出的框架优于最先进的比特币地址分类器和现有的分类模型，其中精度和F1分数分别为96%和95%。我们的实现和数据集已经发布，希望能启发其他人。
2022-11-26 cs.AI cs.CR cs.LG
Characterizing and Detecting Money Laundering Activities on the Bitcoin Network
Data61-CSIRO（Data61-联邦科学与工业研究组织）；University of New South Wales（新南威尔士大学）；University of Sydney（悉尼大学）；National Institute of Informatics（国立信息学研究所）
比特币是迄今为止最受欢迎的加密货币解决方案，可以实现点对点支付。尽管一些研究强调该网络并不提供完全的匿名性，但它仍然被大量用于各种可疑的金融活动，如洗钱，庞氏骗局和勒索软件支付。在本文中，我们探讨了比特币网络中发生的潜在洗钱活动的情况。使用三年来收集的数据，我们创建交易图表，并对各种图表特征进行深入分析，以区分洗钱交易和常规交易。我们发现，洗钱和常规交易之间的主要区别在于它们的输出值和邻居信息。然后，我们提出并评估了一组基于四种类型的图特征的分类器：近邻，策划特征，deepwalk嵌入和node2vec嵌入，以分类洗钱和常规交易。结果表明，基于node2vec的分类器在二进制分类中优于其他分类器，平均准确率为92.29%，F1度量为0.93，在2.5年的时间跨度内具有高鲁棒性。最后，我们展示了我们的分类是如何有效地发现未知的洗钱服务。分类器的性能下降相比，二进制分类，但是，预测可以改善一些服务与简单的集成技术。
2019-12-27 cs.CR cs.LG cs.SI
Beyond Static Datasets: A Behavior-Driven Entity-Specific Simulation to Overcome Data Scarcity and Train Effective Crypto Anti-Money Laundering Models
TCS Innovation labs（TCS创新实验室）
针对加密货币反洗钱中数据稀缺、静态且类别不平衡的问题，本文提出行为驱动的实体特定类洗钱交易模拟器，生成定制合成数据训练模型，并验证其在识别真实洗钱地址上的有效性。
2025-01-01 cs.CR cs.LG
Towards Understanding Crypto Money Laundering in Web3 Through the Lenses of Ethereum Heists
本文通过以太坊劫案视角，基于少量已标记犯罪账户和启发式交易追踪方法挖掘未标记洗钱团伙，系统揭示了Web3中加密货币洗钱的行为特征、经济影响及伪造代币等升级手段，并为反洗钱提供启示。
2023-05-24 cs.CR cs.SI
MPOCryptoML: Multi-Pattern based Off-Chain Crypto Money Laundering Detection
针对现有模型未明确检测链下加密货币洗钱多样模式的问题，提出MPOCryptoML模型，通过多源个性化PageRank算法及两种新算法检测多种模式，实验显示其在多个数据集上性能显著提升。
2025-08-18 cs.CR
Deep Set Classifier for Financial Forensics: An application to detect money laundering
金融取证在金融领域有着重要的作用，可以发现和调查洗钱等金融相关犯罪的发生。然而，与其他形式的犯罪活动一样，对这类活动进行法医分析是一项复杂的工作，因为对手试图不断提高其逃避侦查的能力。此外，金融活动或交易的数量和复杂程度使金融取证工作更加复杂。机器学习或人工智能算法可用于处理这种复杂性。然而，有限的可用标记数据集的挑战，特别是与欺诈活动限制了开发有效算法的手段。此外，定义规避欺诈交易的精确搜索模式的复杂性使这一挑战进一步复杂化。在本文中，我们开发了一种新的基于Meta学习的深度集分类器算法，并将其应用于处理复杂的感兴趣模式，并使用有限标记的交易样本来检测欺诈性加密货币洗钱交易。我们采用独特的方法来训练我们的模型，逐步提供样本，测试结果超过了领先的研究算法。
2023-03-09 cs.CR
Of Degens and Defrauders: Using Open-Source Investigative Tools to Investigate Decentralized Finance Frauds and Money Laundering
本文利用开源工具分析以太坊链上数据与智能合约，揭露 DeFi 拉地毯和拉高出货骗局的交易证据，并追踪其初级洗钱手段及资金流向中心化交易所的过程，证明此类证据可用于法律起诉。
2023-05-26 cs.CR
DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning
A*STAR IHPC（A*STAR 国家实验室信息物理计算中心）；SRM University-AP（SRM 大学-安得拉邦）；Evyd Singapore（Evyd 新加坡）
本文提出DPxFin框架，通过声誉引导的自适应差分隐私技术，在反洗钱检测中提升隐私保护与模型效用的平衡。
2026-03-14 cs.CR cs.LG
The Dark Art of Financial Disguise in Web3: Money Laundering Schemes and Countermeasures
University of Waterloo（滑铁卢大学）
本文综述了Web3中洗钱的高层策略与机制，分析伪匿名和监管漏洞的利用，指出检测挑战并展望透明生态的研究方向。
2025-09-26 cs.CR cs.CY
Graph Feature Preprocessor: Real-time Subgraph-based Feature Extraction for Financial Crime Detection
IBM Research Europe（IBM欧洲研究院）；Caltech（加州理工学院）；IBM Watson Research（IBM沃森研究院）；TU Delft（代尔夫特理工大学）
本文提出图特征预处理器，通过实时挖掘交易图中的洗钱子图模式生成丰富特征，结合梯度提升模型，在反洗钱和钓鱼检测中以更高少数类F1分数和吞吐率超越图神经网络基线。
2024-10-03 cs.AI cs.LG
Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）；School of Cybersecurity, Northwestern Polytechnical University（西北工业大学网络空间安全学院）
本文综述深度学习在移动交易反洗钱中的应用与挑战，并提出融合机器学习、AML危险信号和账户画像的最小权限框架，以在有限数据下实现欺诈检测。
2025-03-13 cs.AI cs.CR cs.LG
FlowShield: cryptocurrency anti-money laundering with transaction semantics parsing and fund flow tracking
Monash University（蒙纳士大学）；Griffith University（格里菲斯大学）；CSIRO Data61（CSIRO数据六十一）
FlowShield是一种加密货币反洗钱框架，通过解析交易语义、重构资金流子图并结合LLM与GCN实现洗钱检测，在BybitML等数据集上平均F1达98.0%，还可生成可读报告辅助调查。
2026-08-19 cs.CE cs.CR cs.CY
AMLNet: A Knowledge-Based Multi-Agent Framework to Generate and Detect Realistic Money Laundering Transactions
School of Information and Communication Technology, Griffith University, QLD Australia（信息与通信技术学院，格里菲斯大学，昆士兰州澳大利亚）；School of Information and Physical Sciences, The University of Newcastle, NSW Australia（信息与物理科学学院，新castle大学，新南威尔士州澳大利亚）
针对反洗钱数据集缺乏的问题，提出知识驱动的多智能体框架AMLNet，通过感知监管的生成器构建合成交易数据集，并利用集成检测流水线实现高F1检测，同时发布数据集以推进可复现研究。
2025-09-15 cs.AI cs.CE cs.CR
Tracing the Shadows: Automatic Tracking and Analysis of Crypto Money Laundering via Transaction Semantic Analysis
Xi’an Jiaotong University（西安交通大学）；The Hong Kong Polytechnic University（香港理工大学）
研究针对加密货币洗钱问题，提出AMLGuard语义感知框架，结合静态规则分析与LLM推理，对复杂DeFi交易语义分析，实现非法资金流追踪，在真实案例评估中取得高精度召回率，有效应对加密货币洗钱。
2026-07-22 cs.CR
Community-Level Anomaly Detection for Anti-Money Laundering
The Research Institute of the University of Bucharest (ICUB), University of Bucharest（布加勒斯特大学布加勒斯特大学研究院（ICUB））；University of Bucharest（布加勒斯特大学）
网络中的异常检测通常归结为识别异常发生所依赖的底层图结构。金融欺诈方案就是这样一个例子，其中采用了或多或少复杂的方案以逃避交易安全协议。我们研究的问题，学习图结构表示使用适应的字典学习，旨在编码连接模式。特别是，我们适应字典学习策略的网络拓扑结构的特异性，并提出了新的方法，对字典本身施加拉普拉斯结构。在一个适应中，我们专注于通过直接在图拉普拉斯算子上工作来对拓扑进行分类，并将学习问题转换为适应其2D结构。我们通过学习由向量化原子拉普拉斯算子组成的字典来解决同样的问题，并提供了一个块坐标下降方案来解决新的字典学习公式。在单块正交学习方法的适应中，还提出了在字典上施加拉普拉斯结构。合成图数据集，包括不同的图形拓扑结构的结果证实了潜在的字典直接表示图形结构信息。
2019-10-24 cs.CR cs.LG stat.ML
RISKTAGGER: Evidence-Guided LLM Agent for Post-Incident Forensic Analysis of Money Laundering in Web3
School of Software Engineering, Sun Yat-sen University（中山大学软件学院）；Guangdong Engineering Technology Research Center of Blockchain（广东省区块链工程技术研究中心）；The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全全国重点实验室）；Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术开发区（滨江）区块链与数据安全研究院）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算系）
针对Web3加密货币洗钱法医分析面临的挑战，提出RISKTAGGER，将大语言模型作为证据约束决策组件，从公共事件材料提取线索，递归扩展资金流图并生成报告。经多案例评估，能恢复资金路径、识别风险账户，组织证据成可验证报告。
2026-07-14 cs.CR cs.SE
Green Bitcoin: Global Sound Money
现代社会采用了政府发行的法定货币，其中许多主要以数字形式存在于信用和银行账户中。法定货币由中央银行控制，用于经济刺激和稳定。繁荣与萧条的周期被创造出来。周期的波动性变得越来越极端。财富集中造成的社会不平等在世界范围内普遍存在。因此，恢复随着时间的推移提供储存价值的健全货币已成为一个紧迫的问题。目前，比特币等加密货币还处于起步阶段，有朝一日可能会成为健全的货币。比特币今天被认为是一种存储价值的数字资产。但比特币存在问题。当前比特币网络的第一个问题是它的高能耗共识机制。第二种是对后量子（PQ）攻击不安全的密码原语。我们的目标是提出解决这两个问题的绿色比特币。为了节省能量，在共识机制中，我们引入了一个后量子安全（自我选举）可验证的抛硬币功能和新的PQ安全的计算证明原语。预计它将降低当前比特币网络90%以上的能耗。椭圆曲线加密将被PQ安全版本取代。绿色比特币协议将帮助比特币发展成为后量子安全网络。
2022-12-07 cs.CR
Detection of Crowdsourcing Cryptocurrency Laundering via Multi-Task Collaboration
Sun yat-sen University（中山大学）
本文提出MCCLD框架，通过多任务协作检测crowdsourcing洗钱，利用图神经网络融合交易组信息提升检测性能。
2025-12-02 cs.CR
zkMixer: A Configurable Zero-Knowledge Mixer with Anti-Money Laundering Consensus Protocols
提出零知识混币器框架zkMixer，通过可配置治理条件与共识机制监控资金来源，对可疑存入实施退款或没收，兼顾隐私保护与反洗钱合规。
2025-06-15 cs.CR cs.DC
DGTEN: A Robust Deep Gaussian based Graph Neural Network for Dynamic Trust Evaluation with Uncertainty-Quantification Support
DGTEN通过结合不确定性意识的消息传递、时间建模和防御机制，实现了动态信任评估中的鲁棒性和准确性提升。
2025-12-14 cs.AI cs.LG
Bitcoin and Beyond: Exclusively Informational Monies
著名的新货币比特币被归类为技术信息货币（TIM）。除了引入TIM的概念之外，还将发展一种更极端的信息货币概念：纯信息货币（EXIM）。EXIM的信息币（INCO）可以由代理控制，但不属于任何代理。出口证的国际贸易编码不能被偷，但它们可以丢失或扔掉。当从用户的角度考虑安全问题时，EXIM和TIM之间的区别就显现出来了。EXIM用户的安全性进行了详细讨论，得出了一个显着的结论，即计算机安全（安全模型，访问控制，用户名，密码，防火墙等）。对于EXIM来说，加密并不总是必不可少的，而基于加密的信息安全的应用对于EXIM的使用是不可避免的。比特币似乎符合EXIM的标准，但“比特币是EXIM”的说法也可能被认为是有问题的。作为一个思想实验，我们将考虑Bitguilder，一个有资格作为EXIM的比特币的假设副本。对比特币的商业道德评估揭示了一些担忧。通过将比特盾与所谓的技术信息近货币（TINM）相结合，可以获得双货币系统，该系统具有两个波动率的单位。双重货币似乎可以解决一些（但不是全部）在假设比特币已经成为一种主要货币形式后，考虑比特币时出现的道德担忧。比特币的设计者可能对EXIM和TIM的演变做出的贡献是根据比特币附带的货币相关自然种类的投资组合的更新进行分析的。
2013-12-30 cs.CR cs.CY
StableAML: Machine Learning for Behavioral Wallet Detection in Stablecoin Anti-Money Laundering on Ethereum
Duke University Pratt School of Engineering（杜克大学普瑞特工程学院）
StableAML通过行为特征和树集成模型提升稳定币反洗钱效率，有效区分犯罪与制裁实体足迹，满足合规要求。
2026-07-15 cs.CE cs.CR
Demystifying Fraudulent Transactions and Illicit Nodes in the Bitcoin Network for Financial Forensics
Georgia Institute of Technology（佐治亚理工学院）
本研究构建包含四类图数据、超82万节点的Elliptic++比特币数据集，结合多种机器学习算法实现非法交易与地址检测，助力理解洗钱漏洞与欺诈防控。
2023-05-25 cs.CR cs.LG
Machine Learning Partners in Criminal Networks
Universidade Estadual de Maringá（马林加州立大学）；Rio Grande do Sul Superintendency, Brazilian Federal Police（巴西联邦警察南里奥格兰德州监管局）；National Police Academy, Brazilian Federal Police（巴西联邦警察国家警察学院）；Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）；Universidade Estadual de Ponta Grossa（蓬塔格罗萨州立大学）；Nottingham Trent University（诺丁汉特伦特大学）；University of Maribor（马里博尔大学）；China Medical University Hospital, China Medical University（中国医药大学附设医院）；Alma Mater Europaea（欧洲母校大学）；Complexity Science Hub Vienna（维也纳复杂性科学中心）
最近的研究表明，犯罪网络具有复杂的组织结构，但这是否可以用来预测犯罪网络的静态和动态属性仍然很少有人探讨。在这里，通过将图表示学习和机器学习方法相结合，我们证明了政治腐败、警察情报和洗钱网络的结构特性可以用来恢复丢失的犯罪伙伴关系，区分不同类型的犯罪和法律协会，以及预测犯罪代理人之间交换的总金额，所有这些都具有出色的准确性。我们还表明，我们的方法可以预测未来的犯罪协会在动态增长的腐败网络具有显着的准确性。因此，与犯罪现场发现的证据类似，我们得出结论，犯罪网络的结构模式携带有关非法活动的关键信息，这使得机器学习方法能够预测缺失的信息，甚至预测未来的犯罪行为。
2022-09-07 cs.LG cs.SI physics.soc-ph
KONTOGRAPH: Verified Point-in-Time Feature Consistency and Amortised Explanation for Real-Time Anti-Money Laundering under a 200 ms Decision Budget
Faculty of Media Engineering and Technology（媒体工程与技术学院）；German University in Cairo（开罗德国大学）
该研究针对欧盟2024/886号条例的10秒结算要求，构建了200毫秒决策预算的KONTOGRAPH反洗钱流水线，发现时间图网络性能显著提升、特征编译存在时点违规、ONNX转换会影响决策。
2026-08-25 cs.AI cs.CR cs.LG
TeMP-TraG: Edge-based Temporal Message Passing in Transaction Graphs
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；L3S Research Center（L3S研究中心）
针对交易图检测金融犯罪面临的边特征丰富、多重图结构及时序动态等挑战，提出融入时序动态的新型图神经网络机制TeMP-TraG，通过优先聚合近期交易消息提升检测效果，使4种先进模型性能平均提升6.19%，为打击金融犯罪提供新方法。
2025-03-21 cs.LG
Provably Powerful Graph Neural Networks for Directed Multigraphs
IBM Research Europe（IBM欧洲研究院）
本文提出将标准消息传递GNN通过多重图端口编号、自我ID和反向消息传递转化为有向多重图神经网络，理论上可检测任意有向子图模式，实验显示在合成任务及金融犯罪检测中显著提升F1分数并超越基线。
2024-01-04 cs.AI cs.LG
Zero-Collateral Lotteries in Bitcoin and Ethereum
我们提出了基于加密货币的彩票协议，不需要玩家提供任何抵押品。此任务的先前协议需要比下注金额大$O(N^2)$倍的保证金，其中$N$是玩家的数量。我们的协议是基于一个锦标赛括号的建设，只需要$O(\log N)$轮。因此，我们的彩票协议代表了显着的改进，因为它们允许资金很少的玩家参与，而且还因为金钱的时间价值。基于以太坊的彩票实现非常高效。比特币的实现需要一个$O(2^N)$链下设置阶段，这表明脚本语言的表达能力可以产生重要的影响。我们还描述了对比特币协议的最小修改，以消除指数爆破。
2017-02-13 cs.CR
Mixing detection on Bitcoin transactions using statistical patterns
加密货币获得了大量的关注，主要是因为他们建议的在线支付的匿名方式。与此同时，比特币和其他主要加密货币经历了严重的去匿名化攻击。为了解决这些攻击，比特币贡献者引入了称为混合器或翻转器的服务。混合或洗衣服务旨在将匿名性返回到网络。在这项研究中，我们解决了由于使用混合服务而导致的比特币和其他加密货币网络中的资金足迹丢失的问题。我们设计方法来跟踪这些服务的交易和地址以及肮脏和干净的钱的地址。由于缺乏标记数据，我们不得不与这些服务进行交易并准备标记数据。利用这些数据，我们找到了可靠的模式，并开发了一种集成算法来检测比特币网络中的混合交易、混合地址、发送者地址和接收者地址。
2022-04-05 cs.CR cs.SI
Synthetic Data Generation for Fraud Detection using GANs
City, University of London（伦敦城市大学）；BetBuddy Playtech Plc（贝特巴迪博彩科技公共有限公司）
随着消费者转向在线渠道，检测赌博中的洗钱活动对赌博业来说变得越来越具有挑战性。虽然多年来越来越严格的法规已经应用于防止赌博洗钱，但尽管如此，在线赌博仍然是犯罪分子花费犯罪收益的渠道。与传统的物理形式的赌博相比，补充在线赌博的增长对其影响提出了更多的担忧，因为它可能会引入更高水平的问题赌博或欺诈行为，因为它与在线赌博体验的直接互动性质。然而，在大多数情况下，组织试图解决这些领域的主要问题是缺乏高质量的数据。由于欺诈检测相关的问题面临的类不平衡的重大问题，在本文中，我们提出了一种新的系统，基于生成对抗网络（GANs）生成合成数据，以训练监督分类器。我们的框架合成数据生成GAN（SDG-GAN），设法优于基于密度的过采样方法，并提高了基准数据集和真实世界赌博欺诈数据集的分类性能。
2021-09-26 cs.CR cs.LG
MixGuard: Towards Detecting and Understanding Mixer Laundering on Ethereum
Monash University（蒙纳士大学）；Imperial College London（帝国理工学院）；Griffith University（格里菲斯大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；The University of Manchester（曼彻斯特大学）
本文首次系统研究以太坊混币器洗钱，构建公开数据集MixLaunder，并提出MixGuard方法，结合三视图表示学习与两阶段分组，实现高精度检测与案例分组。
2026-09-24 cs.CE cs.CR
Split-Scale: Scaling Bitcoin by Partitioning the UTXO Space
比特币协议是货币历史上的一个重要里程碑。然而，它的采用目前受到系统交易限制的限制。作为区块链技术的首要问题，可伸缩性问题吸引了许多有价值的解决方案，包括链上和链下。在本文中，我们的目标是探索未使用的交易输出（UTXO）的概念，提出一个可以优雅地扩展的增强比特币协议。我们的建议旨在通过划分UTXO空间和拆分区块链来增加交易吞吐量。此外，引入了一种新型的比特币节点，以保留在低带宽环境中运行验证节点的能力，尽管交易吞吐量增加。
2019-01-18 cs.CR
Spams meet Cryptocurrencies: Sextortion in the Bitcoin Ecosystem
在过去的一年里，出现了一种新的垃圾邮件计划：要求以加密货币比特币支付的性勒索信息，也被称为sextortion。该计划代表了垃圾邮件行业成员使用加密货币的第一次整合。本研究以4，340，736个sextortion垃圾邮件为研究对象，透过揭露垃圾邮件制造者的运作，来了解这种新的合并。为此，我们在整个比特币区块链上计算了一种简单而有效的方法，将sextortion垃圾邮件中提到的比特币地址投影到交易图抽象上。这使我们能够跟踪和调查参与者之间的资金流动，并深入了解性勒索活动的财务结构。我们发现，sextortion垃圾邮件发送者有点复杂，以下的定价策略，并从成本降低中受益，因为他们的业务削减了垃圾邮件供应链的上尾。我们发现，一个单一的实体可能控制着大多数sextortion活动的财务支柱，并且研究的11个月的运营产生了1，300，620美元和1，352，266美元之间的下限收入。我们的结论是，sextortion垃圾邮件是一项有利可图的业务，垃圾邮件发送者可能会继续发送大量电子邮件，试图通过加密货币勒索钱财。
2019-08-02 cs.CR
Quick survey of graph-based fraud detection methods
University of Bucharest（布加勒斯特大学）；The Research Institute University of Bucharest (ICUB)（布加勒斯特大学研究院（ICUB））
一般来说，异常检测是区分具有明确定义的模式或签名的正常数据样本和不符合预期轮廓的数据样本的问题。金融交易、客户评论、社交媒体帖子都以关系信息为特征。在这些网络中，欺诈行为可能表现为一个独特的图形边缘，例如垃圾邮件、节点或更大的子图结构，例如当一组客户参与洗钱计划时。最常见的是，这些网络被表示为属性图，数字特征补充了关系信息。我们提出了一个调查的异常检测技术用于欺诈检测，利用图形结构的数据和包含在属性的上下文信息。
2021-01-11 cs.CR cs.LG stat.ML
Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics
Universitat Autònoma de Barcelona（巴塞罗那自治大学）；University of Bologna（博洛尼亚大学）；Universidad Politécnica de Madrid（马德里理工大学）
在塑造货币互联网的过程中，区块链和分布式账本技术（DLT）在金融领域的应用引发了监管方面的担忧。值得注意的是，虽然在这一领域启用的用户匿名可以保障隐私和数据保护，但缺乏可识别性阻碍了问责制，并对打击洗钱和资助恐怖主义和扩散行为提出了挑战。随着执法机构和私营部门应用取证技术来跟踪跨生态系统的加密货币转移，本文重点关注这些技术在其部署影响该领域特征和演变的领域中日益增长的相关性。特别是，这项工作提供了上下文的见解，机器学习和交易图分析的方法的应用。也就是说，它通过各种技术分析了表示为有向图网络的比特币交易的真实数据集。将区块链交易建模为一个复杂的网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，被称为图卷积网络（GCN）和图注意力网络（GAT）的神经网络类型是一种有前途的AML/CFT解决方案。值得注意的是，在这种情况下，GCN的表现优于其他经典方法，GAT首次被应用于检测比特币中的异常。最后，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放性精神的法医战略。
2023-03-18 cs.CR cs.DC cs.LG
A Rolling Blockchain for a Dynamic WSNs in a Smart City
区块链是现在最受欢迎的讨论话题之一。然而，大多数专家仍然认为这项技术只是比特币、其他加密货币或汇款系统的一部分。通常，年轻研究人员提出的新解决方案会被审查者阻止，只是因为这些解决方案不能用于比特币。然而，区块链技术更通用，也可以用于其他领域，例如物联网，无线传感器网络和移动设备。本文将传感器网络中区块链技术的实施视为物联网的一个元素。提出了“滚动区块链”的概念，它可以用于构建有智能汽车参与的无线传感器网络，作为网络的节点。提出了节点在链中形成和结构的顺序，并建立了相应的数学模型，在给定的网络可靠性值下，估计了最优的WSN节点数和节点间的连接数。
2018-06-29 cs.CR
Heterogeneous Feature Augmentation for Ponzi Detection in Ethereum
区块链技术在引发新的产业和技术革命的同时，也带来了新的挑战。近期，大量打着“区块链”幌子的新型骗局不断涌现，如庞氏骗局、洗钱等，严重威胁金融安全。现有的区块链欺诈检测方法主要集中在人工特征和图分析上，首先利用部分区块链数据构建同构交易图，然后使用图分析进行异常检测，导致模式信息丢失。在本文中，我们主要关注庞氏骗局检测，并提出HFAug，一个通用的异构特征增强模块，可以捕获与帐户行为模式相关的异构信息，并可以与现有的庞氏骗局检测方法相结合。HFAug在一个辅助的异构交互图中学习基于元路径的行为特征，并将异构特征聚合到同质交互图中的相应账户节点上，在同质交互图中执行庞氏检测方法。综合实验结果表明，我们的HFAug可以帮助现有的庞氏骗局检测方法在以太坊数据集上实现显着的性能改善，表明异构信息在检测庞氏骗局方面的有效性。
2022-04-19 cs.CR cs.SI
